1.數(shù)據(jù)倉庫簡介

數(shù)據(jù)倉庫是一個(gè)面向主題的（Subject Oriented）、集成的（Integrate）、相對穩(wěn)定的（Non-Volatile）、反映歷史變化（Time Variant）的數(shù)據(jù)集合，用于支持管理決策。

數(shù)據(jù)倉庫是伴隨著企業(yè)信息化發(fā)展起來的，在企業(yè)信息化的過程中，隨著信息化工具的升級和新工具的應(yīng)用，數(shù)據(jù)量變的越來越大，數(shù)據(jù)格式越來越多，決策要求越來越苛刻，數(shù)據(jù)倉庫技術(shù)也在不停的發(fā)展。

數(shù)據(jù)倉庫的趨勢：

• 實(shí)時(shí)數(shù)據(jù)倉庫以滿足實(shí)時(shí)化&自動(dòng)化決策需求；
• 大數(shù)據(jù)&數(shù)據(jù)湖以支持大量&復(fù)雜數(shù)據(jù)類型（文本、圖像、視頻、音頻）；

?

2.數(shù)據(jù)倉庫的發(fā)展

數(shù)據(jù)倉庫有兩個(gè)環(huán)節(jié)：數(shù)據(jù)倉庫的構(gòu)建與數(shù)據(jù)倉庫的應(yīng)用。

早期數(shù)據(jù)倉庫構(gòu)建主要指的是把企業(yè)的業(yè)務(wù)數(shù)據(jù)庫如ERP、CRM、SCM等數(shù)據(jù)按照決策分析的要求建模并匯總到數(shù)據(jù)倉庫引擎中，其應(yīng)用以報(bào)表為主，目的是支持管理層和業(yè)務(wù)人員決策（中長期策略型決策）。

隨著業(yè)務(wù)和環(huán)境的發(fā)展，這兩方面都在發(fā)生著劇烈變化。

• 隨著IT技術(shù)走向互聯(lián)網(wǎng)、移動(dòng)化，數(shù)據(jù)源變得越來越豐富，在原來業(yè)務(wù)數(shù)據(jù)庫的基礎(chǔ)上出現(xiàn)了非結(jié)構(gòu)化數(shù)據(jù)，比如網(wǎng)站log，IoT設(shè)備數(shù)據(jù)，APP埋點(diǎn)數(shù)據(jù)等，這些數(shù)據(jù)量比以往結(jié)構(gòu)化的數(shù)據(jù)大了幾個(gè)量級，對ETL過程、存儲(chǔ)都提出了更高的要求；
• 互聯(lián)網(wǎng)的在線特性也將業(yè)務(wù)需求推向了實(shí)時(shí)化，隨時(shí)根據(jù)當(dāng)前客戶行為而調(diào)整策略變得越來越常見，比如大促過程中庫存管理，運(yùn)營管理等（即既有中遠(yuǎn)期策略型，也有短期操作型）；同時(shí)公司業(yè)務(wù)互聯(lián)網(wǎng)化之后導(dǎo)致同時(shí)服務(wù)的客戶劇增，有些情況人工難以完全處理，這就需要機(jī)器自動(dòng)決策。比如欺詐檢測和用戶審核。

?

總結(jié)來看，對數(shù)據(jù)倉庫的需求可以抽象成兩方面：實(shí)時(shí)產(chǎn)生結(jié)果、處理和保存大量異構(gòu)數(shù)據(jù)。

注：這里不討論數(shù)據(jù)湖技術(shù)。

3.數(shù)據(jù)倉庫建設(shè)方法論

1）面向主題

從公司業(yè)務(wù)出發(fā)，是分析的宏觀領(lǐng)域，比如供應(yīng)商主題、商品主題、客戶主題和倉庫主題

2）為多維數(shù)據(jù)分析服務(wù)

數(shù)據(jù)報(bào)表；數(shù)據(jù)立方體，上卷、下鉆、切片、旋轉(zhuǎn)等分析功能。

4.數(shù)據(jù)倉庫架構(gòu)的演變

數(shù)據(jù)倉庫概念是Inmon于1990年提出并給出了完整的建設(shè)方法。隨著互聯(lián)網(wǎng)時(shí)代來臨，數(shù)據(jù)量暴增，開始使用大數(shù)據(jù)工具來替代經(jīng)典數(shù)倉中的傳統(tǒng)工具。此時(shí)僅僅是工具的取代，架構(gòu)上并沒有根本的區(qū)別，可以把這個(gè)架構(gòu)叫做離線大數(shù)據(jù)架構(gòu)。

后來隨著業(yè)務(wù)實(shí)時(shí)性要求的不斷提高，人們開始在離線大數(shù)據(jù)架構(gòu)基礎(chǔ)上加了一個(gè)加速層，使用流處理技術(shù)直接完成那些實(shí)時(shí)性要求較高的指標(biāo)計(jì)算，這便是Lambda架構(gòu)。

再后來，實(shí)時(shí)的業(yè)務(wù)越來越多，事件化的數(shù)據(jù)源也越來越多，實(shí)時(shí)處理從次要部分變成了主要部分，架構(gòu)也做了相應(yīng)調(diào)整，出現(xiàn)了以實(shí)時(shí)事件處理為核心的Kappa架構(gòu)。

?

4.1離線大數(shù)據(jù)架構(gòu)

數(shù)據(jù)源通過離線的方式導(dǎo)入到離線數(shù)倉中。

下游應(yīng)用根據(jù)業(yè)務(wù)需求選擇直接讀取DM或加一層數(shù)據(jù)服務(wù)，比如mysql 或 redis。

數(shù)據(jù)倉庫從模型層面分為三層：

• ODS，操作數(shù)據(jù)層，保存原始數(shù)據(jù)；
• DWD，數(shù)據(jù)倉庫明細(xì)層，根據(jù)主題定義好事實(shí)與維度表，保存最細(xì)粒度的事實(shí)數(shù)據(jù)；
• DM，數(shù)據(jù)集市/輕度匯總層，在DWD層的基礎(chǔ)之上根據(jù)不同的業(yè)務(wù)需求做輕度匯總；

典型的數(shù)倉存儲(chǔ)是HDFS/Hive，ETL可以是MapReduce腳本或HiveSQL。

?

4.2 Lambda架構(gòu)

隨著大數(shù)據(jù)應(yīng)用的發(fā)展，人們逐漸對系統(tǒng)的實(shí)時(shí)性提出了要求，為了計(jì)算一些實(shí)時(shí)指標(biāo)，就在原來離線數(shù)倉的基礎(chǔ)上增加了一個(gè)實(shí)時(shí)計(jì)算的鏈路，并對數(shù)據(jù)源做流式改造（即把數(shù)據(jù)發(fā)送到消息隊(duì)列），實(shí)時(shí)計(jì)算去訂閱消息隊(duì)列，直接完成指標(biāo)增量的計(jì)算，推送到下游的數(shù)據(jù)服務(wù)中去，由數(shù)據(jù)服務(wù)層完成離線&實(shí)時(shí)結(jié)果的合并。

注：流處理計(jì)算的指標(biāo)批處理依然計(jì)算，最終以批處理為準(zhǔn)，即每次批處理計(jì)算后會(huì)覆蓋流處理的結(jié)果。（這僅僅是流處理引擎不完善做的折中）

Lambda架構(gòu)問題：

• 1.同樣的需求需要開發(fā)兩套一樣的代碼
• 這是Lambda架構(gòu)最大的問題，兩套代碼不僅僅意味著開發(fā)困難（同樣的需求，一個(gè)在批處理引擎上實(shí)現(xiàn)，一個(gè)在流處理引擎上實(shí)現(xiàn)，還要分別構(gòu)造數(shù)據(jù)測試保證兩者結(jié)果一致），后期維護(hù)更加困難，比如需求變更后需要分別更改兩套代碼，獨(dú)立測試結(jié)果，且兩個(gè)作業(yè)需要同步上線。
• 2.資源占用增多：同樣的邏輯計(jì)算兩次，整體資源占用會(huì)增多（多出實(shí)時(shí)計(jì)算這部分）

?

4.3 Kappa架構(gòu)

Lambda架構(gòu)雖然滿足了實(shí)時(shí)的需求，但帶來了更多的開發(fā)與運(yùn)維工作，其架構(gòu)背景是流處理引擎還不完善，流處理的結(jié)果只作為臨時(shí)的、近似的值提供參考。后來隨著Flink等流處理引擎的出現(xiàn)，流處理技術(shù)很成熟了，這時(shí)為了解決兩套代碼的問題，LickedIn 的Jay Kreps提出了Kappa架構(gòu)

Kappa架構(gòu)可以認(rèn)為是Lambda架構(gòu)的簡化版（只要移除lambda架構(gòu)中的批處理部分即可）。

在Kappa架構(gòu)中，需求修改或歷史數(shù)據(jù)重新處理都通過上游重放完成。

Kappa架構(gòu)最大的問題是流式重新處理歷史的吞吐能力會(huì)低于批處理，但這個(gè)可以通過增加計(jì)算資源來彌補(bǔ)。

?

Kappa架構(gòu)的重新處理過程

重新處理是人們對Kappa架構(gòu)最擔(dān)心的點(diǎn)，但實(shí)際上并不復(fù)雜：

• 1.選擇一個(gè)具有重放功能的、能夠保存歷史數(shù)據(jù)并支持多消費(fèi)者的消息隊(duì)別，根據(jù)需求設(shè)置歷史數(shù)據(jù)保存的時(shí)長，比如Kafka，可以保存全部歷史數(shù)據(jù)。
• 2.當(dāng)某個(gè)或某些指標(biāo)有重新處理的需求時(shí)，按照新邏輯寫一個(gè)新作業(yè)，然后從上游消息隊(duì)列的最開始重新消費(fèi)，把結(jié)果寫到一個(gè)新的下游表中。
• 3.當(dāng)新作業(yè)趕上進(jìn)度后，應(yīng)用切換數(shù)據(jù)源，讀取2中產(chǎn)生的新結(jié)果表。
• 4.停止老的作業(yè)，刪除老的結(jié)果表。

?

4.4 Lambda架構(gòu)與Kappa架構(gòu)的對比

?

在真實(shí)的場景中，很多時(shí)候并不是完全規(guī)范的Lambda架構(gòu)或Kappa架構(gòu)，可以是兩者的混合，比如大部分實(shí)時(shí)指標(biāo)使用Kappa架構(gòu)完成計(jì)算，少量關(guān)鍵指標(biāo)（比如金額相關(guān)）使用Lambda架構(gòu)用批處理重新計(jì)算，增加一次校對過程。（1）

Kappa架構(gòu)并不是中間結(jié)果完全不落地，現(xiàn)在很多大數(shù)據(jù)系統(tǒng)都需要支持機(jī)器學(xué)習(xí)（離線訓(xùn)練），所以實(shí)時(shí)中間結(jié)果需要落地對應(yīng)的存儲(chǔ)引擎供機(jī)器學(xué)習(xí)使用，另外有時(shí)候還需要對明細(xì)數(shù)據(jù)查詢，這種場景也需要把實(shí)時(shí)明細(xì)層寫出到對應(yīng)的引擎中。（2）參考后面的案例

另外，隨著數(shù)據(jù)多樣性的發(fā)展，數(shù)據(jù)倉庫這種提前規(guī)定schema的模式顯得越來難以支持靈活的探索&分析需求，這時(shí)候便出現(xiàn)了一種數(shù)據(jù)湖技術(shù)，即把原始數(shù)據(jù)全部緩存到某個(gè)大數(shù)據(jù)存儲(chǔ)上，后續(xù)分析時(shí)再根據(jù)需求去解析原始數(shù)據(jù)。簡單的說，數(shù)據(jù)倉庫模式是schema on write，數(shù)據(jù)湖模式是schema on read。（3）

?

5.實(shí)時(shí)數(shù)倉案例

菜鳥倉配實(shí)時(shí)數(shù)據(jù)倉庫

5.1 整體設(shè)計(jì)

整體設(shè)計(jì)如右圖，基于業(yè)務(wù)系統(tǒng)的數(shù)據(jù)，數(shù)據(jù)模型采用中間層的設(shè)計(jì)理念，建設(shè)倉配實(shí)時(shí)數(shù)倉；計(jì)算引擎，選擇更易用、性能表現(xiàn)更佳的實(shí)時(shí)計(jì)算作為主要的計(jì)算引擎；數(shù)據(jù)服務(wù)，選擇天工數(shù)據(jù)服務(wù)中間件，避免直連數(shù)據(jù)庫，且基于天工可以做到主備鏈路靈活配置秒級切換；數(shù)據(jù)應(yīng)用，圍繞大促全鏈路，從活動(dòng)計(jì)劃、活動(dòng)備貨、活動(dòng)直播、活動(dòng)售后、活動(dòng)復(fù)盤五個(gè)維度，建設(shè)倉配大促數(shù)據(jù)體系。

?

5.2 數(shù)據(jù)模型

不管是從計(jì)算成本，還是從易用性，還是從復(fù)用性，還是從一致性……，我們都必須避免煙囪式的開發(fā)模式，而是以中間層的方式建設(shè)倉配實(shí)時(shí)數(shù)倉。與離線中間層基本一致，我們將實(shí)時(shí)中間層分為兩層。

?

第一層DWD公共實(shí)時(shí)明細(xì)層

實(shí)時(shí)計(jì)算訂閱業(yè)務(wù)數(shù)據(jù)消息隊(duì)列，然后通過數(shù)據(jù)清洗、多數(shù)據(jù)源join、流式數(shù)據(jù)與離線維度信息等的組合，將一些相同粒度的業(yè)務(wù)系統(tǒng)、維表中的維度屬性全部關(guān)聯(lián)到一起，增加數(shù)據(jù)易用性和復(fù)用性，得到最終的實(shí)時(shí)明細(xì)數(shù)據(jù)。這部分?jǐn)?shù)據(jù)有兩個(gè)分支，一部分直接落地到ADS，供實(shí)時(shí)明細(xì)查詢使用，一部分再發(fā)送到消息隊(duì)列中，供下層計(jì)算使用；

第二層DWS公共實(shí)時(shí)匯總層

以數(shù)據(jù)域+業(yè)務(wù)域的理念建設(shè)公共匯總層，與離線數(shù)倉不同的是，這里匯總層分為輕度匯總層和高度匯總層，并同時(shí)產(chǎn)出，輕度匯總層寫入ADS，用于前端產(chǎn)品復(fù)雜的olap查詢場景，滿足自助分析和產(chǎn)出報(bào)表的需求；高度匯總層寫入Hbase，用于前端比較簡單的kv查詢場景，提升查詢性能，比如實(shí)時(shí)大屏等；

注：

1.ADS是一款提供OLAP分析服務(wù)的引擎。開源提供類似功能的有，Elastic Search、Kylin、Druid等；

2.案例中選擇把數(shù)據(jù)寫入到Hbase供KV查詢，也可根據(jù)情況選擇其他引擎，比如數(shù)據(jù)量不多，查詢壓力也不大的話，可以用mysql

3.因主題建模與業(yè)務(wù)關(guān)系較大，這里不做描述

5.3 數(shù)據(jù)保障

集團(tuán)每年都有雙十一等大促，大促期間流量與數(shù)據(jù)量都會(huì)暴增。

實(shí)時(shí)系統(tǒng)要保證實(shí)時(shí)性，相對離線系統(tǒng)對數(shù)據(jù)量要更敏感，對穩(wěn)定性要求更高。

所以為了應(yīng)對這種場景，還需要在這種場景下做兩種準(zhǔn)備：

• 大促前的系統(tǒng)壓測；
• 大促中的主備鏈路保障；

?

6. 實(shí)時(shí)數(shù)倉與離線數(shù)倉的對比

在看過前面的敘述與菜鳥案例之后，我們看一下實(shí)時(shí)數(shù)倉與離線數(shù)倉在幾方面的對比：

首先，從架構(gòu)上，實(shí)時(shí)數(shù)倉與離線數(shù)倉有比較明顯的區(qū)別，實(shí)時(shí)數(shù)倉以Kappa架構(gòu)為主，而離線數(shù)倉以傳統(tǒng)大數(shù)據(jù)架構(gòu)為主。Lambda架構(gòu)可以認(rèn)為是兩者的中間態(tài)。

其次，從建設(shè)方法上，實(shí)時(shí)數(shù)倉和離線數(shù)倉基本還是沿用傳統(tǒng)的數(shù)倉主題建模理論，產(chǎn)出事實(shí)寬表。另外實(shí)時(shí)數(shù)倉中實(shí)時(shí)流數(shù)據(jù)的join有隱藏時(shí)間語義，在建設(shè)中需注意。

最后，從數(shù)據(jù)保障看，實(shí)時(shí)數(shù)倉因?yàn)橐ＷC實(shí)時(shí)性，所以對數(shù)據(jù)量的變化較為敏感。在大促等場景下需要提前做好壓測和主備保障工作，這是與離線數(shù)據(jù)的一個(gè)較為明顯的區(qū)別。

總結(jié)

以上是生活随笔為你收集整理的阿里数据架构师多年心得：IT从业者必看的数据仓库知识点的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。